Как разбить страницы документа Word на отдельные файлы в C#

Question

У меня есть программа OCR, которая преобразует изображения в текстовые документы. Документ слова содержит текст всех изображений, и я хочу разбить его на отдельные файлы.

Есть ли способ сделать это в C#?

благодаря

Answer 1

Не легко в конце документа Word, хотя Слово создает документы с w: lastRenderedPageBreak.

Лучше всего, чтобы ваша программа OCR вставляла какой-либо маркер в документ между каждым блоком преобразованного текста.

Затем, в зависимости от того, что это за документ Word, обработайте файл соответствующим инструментом.

Answer 2

Вы можете манипулировать документом Word из C# с использованием объектной модели Word, если у вас установлен Word.

Сначала добавьте ссылку на объектную модель Word. Щелкните правой кнопкой мыши по проекту, затем Add Reference... -> COM -> Microsoft Word 14.0 Object Model (или что-то подобное, в зависимости от вашей версии Word).

Затем, вы можете использовать следующий код:

using Microsoft.Office.Interop.Word; 
//for older versions of Word use: 
//using Word; 

namespace WordSplitter { 
    class Program { 
     static void Main(string[] args) { 
      //Create a new instance of Word 
      var app = new Application(); 

      //Show the Word instance. 
      //If the code runs too slowly, you can show the application at the end of the program 
      //Make sure it works properly first; otherwise, you'll get an error in a hidden window 
      //(If it still runs too slowly, there are a few other ways to reduce screen updating) 
      app.Visible = true; 

      //We need a reference to the source document 
      //It should be possible to get a reference to an open Word document, but I haven't tried it 
      var doc = app.Documents.Open(@"path\to\file.doc"); 
      //(Can also use .docx) 

      int pageCount = doc.Range().Information[WdInformation.wdNumberOfPagesInDocument]; 

      //We'll hold the start position of each page here 
      int pageStart = 0; 

      for (int currentPageIndex = 1; currentPageIndex <= pageCount; currentPageIndex++) { 
       //This Range object will contain each page. 
       var page = doc.Range(pageStart); 

       //Generally, the end of the current page is 1 character before the start of the next. 
       //However, we need to handle the last page -- since there is no next page, the 
       //GoTo method will move to the *start* of the last page. 
       if (currentPageIndex < pageCount) { 
        //page.GoTo returns a new Range object, leaving the page object unaffected 
        page.End = page.GoTo(
         What: WdGoToItem.wdGoToPage, 
         Which: WdGoToDirection.wdGoToAbsolute, 
         Count: currentPageIndex + 1 
        ).Start - 1; 
       } else { 
        page.End = doc.Range().End; 
       } 
       pageStart = page.End + 1; 

       //Copy and paste the contents of the Range into a new document 
       page.Copy(); 
       var doc2 = app.Documents.Add(); 
       doc2.Range().Paste(); 
      } 
     } 
    } 
} 

Ссылка: Word Object Model Overview on MSDN

Answer 3

То же other answer, но с IEnumerator и метод расширения к документу.

static class PagesExtension { 
    public static IEnumerable<Range> Pages(this Document doc) { 
     int pageCount = doc.Range().Information[WdInformation.wdNumberOfPagesInDocument]; 
     int pageStart = 0; 
     for (int currentPageIndex = 1; currentPageIndex <= pageCount; currentPageIndex++) { 
      var page = doc.Range(
       pageStart 
      ); 
      if (currentPageIndex < pageCount) { 
       //page.GoTo returns a new Range object, leaving the page object unaffected 
       page.End = page.GoTo(
        What: WdGoToItem.wdGoToPage, 
        Which: WdGoToDirection.wdGoToAbsolute, 
        Count: currentPageIndex+1 
       ).Start-1; 
      } else { 
       page.End = doc.Range().End; 
      } 
      pageStart = page.End + 1; 
      yield return page; 
     } 
     yield break; 
    } 
} 

Основной код заканчивается так:

static void Main(string[] args) { 
    var app = new Application(); 
    app.Visible = true; 
    var doc = app.Documents.Open(@"path\to\source\document"); 
    foreach (var page in doc.Pages()) { 
     page.Copy(); 
     var doc2 = app.Documents.Add(); 
     doc2.Range().Paste(); 
    } 
}